人工智能(知识工程和数据挖掘).ppt

Thank you！ 分类数据，例如性别和婚姻状态可以用1/N编码来修改 例如，婚姻状态可以是单身、离异、已婚、#寡，已婚的人可以用（0 0 1 0）表示 9.4 神经网络可以解决的问题 输入层（有十个神经元）将修改后的输入值传到隐含层 隐含层包含两个神经元，输出层只有一个神经元，隐含层和输出层的神经元使用S型激活函数 9.4 神经网络可以解决的问题 如何解释网络的输出？ 网络输出层的值为0~1之间的连续值，要解释这个结果只需要倒转程序即可 例如，在训练集中，销售价格的范围在$52500~$225000之间，输出值将$50000映射为0，$250000映射为1，如果网络的输出是0.3546，结果为 9.4 神经网络可以解决的问题 如何验证结果？ 为了验证结果可以使用没有遇到过的例子集。在训练前，将所有可用的数据随机分成训练集和测试集，可以用测试集进行测试 神经网络是不透明的，要想把握输入输出之间的关系，可以通过灵敏度分析 执行灵敏度分析要将每个输入设成最小值，然后再设成最大值，并测量网络的输出 9.4 神经网络可以解决的问题 遗传算法可以用于很多优化问题。优化是为问题寻找较好解决方法的基本过程。 问题可能有多余一个的解决方案，而这些解决方案品质不同。 遗传算法产生候选解决种群，然后通过自然选择使这些解决方案进化，不好的解决方案趋向于淘汰，好的方案存活并继续繁殖。 不断的重复这个过程，遗传算法就得到了最优解 9.5 遗传算法可以解决的问题 案例：旅行推销员问题 开发一个可以产生优化路线的智能系统，开车旅行并参观欧洲中部和西部的主要城市然后再回家，遗传算法可以解决这个问题吗？ 这就是著名的旅行推销员问题（TSP）。给定有限个城市N，以及每两个城市之间旅行的费用（或距离），我们要找出花费最少（或路程最短）的路线，而每个城市都能到达且仅到达一次后回到出发点 TSP问题经常出现在运输和后勤应用中，例如学校所属区域接送孩子，给回家的人送饭，安排收取邮件的卡车路线 9.5 遗传算法可以解决的问题 遗传算法是怎么解决TSP问题的? 首先，要决定如何表达推销员的路线。最自然的方法就是路径表示法。每个城市用字母或数字命名，城市间的路线用染色体来表示，用合适的遗传操作来产生新的路线 9.5 遗传算法可以解决的问题 TSP中的交叉操作如何进行 传统形式的交叉操作不能直接在TSP中使用 9.5 遗传算法可以解决的问题 TSP交叉过程 9.5 遗传算法可以解决的问题 TSP突变操作如何进行？ 有两种突变操作：倒数交换和倒置 9.5 遗传算法可以解决的问题 如何定义TSP的适应函数？（标准） 一旦定义了适应性函数和遗传操作，就可以实现并运行GA 例如，假设在一个1*1的正方形中有20个城市 首先选择染色体种群的大小和遗传代数。可以让种群从小到大。 9.5 遗传算法可以解决的问题 9.5 遗传算法可以解决的问题 如何得知已经找到了最佳路线？ 实际上我们不可能知道是否找到了最佳路线。只有用不同的染色体种群大小、不同的交叉率和突变率做更多的测试，才能得到答案 9.5 遗传算法可以解决的问题 要解决现实世界中复杂的应用问题，需要融合专家系统、模糊逻辑、神经网络和进化计算这些方法的优点的复杂智能系统 混合智能系统还在发展中，神经网络可以从数据中进行学习，模糊逻辑最重要的优势是模拟人类的决策能力 9.6 混合智能系统可以解决的问题 案例：神经模糊决策支持系统 开发一个根据心脏图像进行心肌灌注诊断的智能系统。有一些心脏图像以及临床说明和应声的注解。混合系统可以解决这个问题吗？ 9.6 混合智能系统可以解决的问题 现代心脏内科学诊断的基础是分析SPECT（单光子发射计算机断层图像）图像。给患者注入放射性示踪剂，就可以获得两套SPECT图像（负荷图像和静息图像），心脏专家通过比较两个图像就可以发现心脏功能的异常 SPECT图像时一种256个灰度的高分辨率的二维黑白图像。图像中比较明亮的地方和心肌灌注良好的部分对应，较暗的地方表示缺血，通过观察SPECT图像比较主观，容易出错，所以智能系统就体现了很大的价值所在 9.6 混合智能系统可以解决的问题 在本案例中我们使用276个心脏诊断病例。每个病例有2个SPECT图像，每个图像分成22个区域，用0~100的整数表示灌注是否良好 每个心脏诊断病例用44个连续的特征和一个二值特征来表示，二值特征表示最后的诊断异常或者正常 整个SPECT的数据集有55个正常病例（阳性病例）和212个异常病例（阴性病例）。数据集分成训练集和测试集。训练集有40个阳性病例和40个阴性病例，测试集有15个阳性病例和172个阴性病例 9.6 混合智能系统可以解决的问题 可以训练后向传送神经网络来SPECT图像分成正常